L’explosion quantitative de la donnée numérique contraint à de nouvelles manières de voir et analyser le monde.
La science des données qui est une nouvelle discipline s'appuyant sur des outils mathématiques, de statistiques et d'informatique permet des progrès dans l'extraction de connaissance d'ensembles de données. Particulièrement, les méthodes reposant sur l'apprentissage profond et la fouille de données sont utiles dans la résolution des problèmes d'apprentissage supervisé, de classification non-supervisée, de détection d'anomalies ou de prédiction structurée.
Le domaine de l’agriculture souvent soumis aux aléas des changements climatiques, il est possible d’utiliser les données des images capturées par drones et de les analyser avec les méthodes informatiques d’analyse intelligente des données (systèmes descriptifs et prédictifs) pour générer des modèles de surveillance permettant le développement d’une agriculture de précision.
L'agriculture est une pratique qui consiste à cultiver des produits alimentaires. Cette pratique nécessite une assistance technique pour éviter la surproduction et l’insuffisance alimentaire. De nos jours, le secteur agricole est en pleine transformation numérique afin d’augmenter sa productivité. Les défis liés à son développement comme la détection des maladies, la prédiction du rendement des cultures, ou la pulvérisation de pointe sont nombreux. Grâce aux progrès de la vision par ordinateur, l’utilisation des systèmes d’intelligence artificielle comme l’apprentissage automatique, a eu un fort impact dans ce domaine en le faisant passé à une nouvelle ère digitale. Il s’agit de l’agriculture numérique dans laquelle on assiste à une forte utilisation de l'informatique intelligente, des drones, et des capteurs. Les opportunités offertes par ces technologies numériques ont favorisé l’industrialisation, la surveillance des processus de production et déclenché l’Agriculture 4.0. Ils consistent à améliorer la vie des agriculteurs en fournissant de précieux conseils d'optimisation des processus d'exploitation agricole (systèmes agricoles d’aide à la décision, gérer les parcelles, préparer des plans de fertilisation, analyser les données collectées) basés sur les techniques d’intelligence artificielle comme l’apprentissage automatique ou l’apprentissage profond.
L'apprentissage profond est une technique qui s'inspire du fonctionnement du cerveau humain pour le traitement et l’analyse des données avec des résultats prometteurs. Il permet à la machine d’effectuer des traitements complexes sur des données volumineuses, en fournissant des prédictions avec des résultats prometteurs. Dans ce sens, des entreprises agro-industrielles et des coopératives agricoles explorent ces potentialités pour contribuer au développement des modèles de surveillance des exploitations agricoles. Ceci a fait émerger l’agriculture de précision qui utilise les nouvelles technologies, comme l’Intelligence Artificielle et les objets connectés, afin d’améliorer les performances des exploitations agricoles. Toutefois, l’agriculture avec précision n’a surement pas atteint sa maturité. Elle soulève aussi de nombreux problèmes et défis relatifs à la transition écologique du système agricole, tels que la réduction de la consommation d’énergie, la minimisation des intrants et la place de l’humain dans la mise en place des systèmes intelligents.
Ce travail va donc s’intéresser à de nouvelles possibilités d’exploration des images agricoles avec les outils d’intelligence artificielle (fouille de données et apprentissage profond) pour l’amélioration de la surveillance de la santé des exploitations agricoles. |
The quantitative explosion of digital data is requiring new ways to analyze and perceive the world.
Data science is a new discipline that relies on mathematical, statistical, and computer science tools to make progress in the extraction of knowledge from data sets. Particularly, deep learning and data mining methods are useful in solving supervised learning, unsupervised classification, anomaly detection, or structured prediction problems. The agricultural domain is often subject to climatic risks, and it is possible to use image data captured by drones and analyze them with intelligent data analysis methods (descriptive and predictive systems) to generate monitoring models that allow the development of precision agriculture.
Agriculture is an activity that consists of growing food products. This practice requires technical assistance to avoid overproduction and food insufficiency. These days, the agricultural sector is undergoing digital transformation to increase its productivity. The challenges related to its development such as disease detection, crop yield prediction, or advanced spraying are plentiful. Thanks to the advancement of computer vision, the use of artificial intelligence systems such as machine learning, has had a large impact in this field, transforming it into a new digital age. This is digital agriculture in which there is a large use of smart computing, drones, and sensors. The opportunities offered by these technologies have encouraged industrialization, the monitoring of production processes, and activated Agriculture 4.0. They are about improving the lives of farmers by providing `precious optimization tips to the agricultural exploitation processes based on artificial intelligence techniques such as machine learning or deep learning.
Deep learning is a technique inspired by the workings of the human brain for data processing and analysis with encouraging results. It allows the machine to perform complex processing on large data, providing predictions with promising results. In this regard, agro-industrial companies and agricultural cooperatives are exploring these potentialities, to contribute to the development of models for monitoring agricultural exploitations. All this has led to the emergence of precision agriculture, which uses new technologies such as Artificial Intelligence and connected objects to improve the performance of agricultural exploitations. However, this precision agriculture also raises many issues and challenges related to the ecological transition of the agricultural system, such as the reduction of energy consumption, the minimization of inputs, and the place of the human in the implementation of intelligent systems.
This work will focus on new possibilities of agricultural image mining with artificial intelligence tools (data mining and deep learning) for the improvement of farm health monitoring. |